BP神經(jīng)網(wǎng)絡與支持向量機模型在智能手機對大學生影響中的評價研究

士紫薇，張仕光，李燕培，晉潔，牛永博，范靜

（河南師范大學計算機與信息工程學院，新鄉(xiāng)453007）

0 引言

手機的面世和不斷地更新?lián)Q代，極大地方便了我們的生活。但同時，人們對手機的依賴性也前所未有地增加。中國是世界上近視發(fā)病率最高的國家之一，近視眼人數(shù)居世界第一。2017年，世界衛(wèi)生組織研究報告稱，中國近視患者多達六億。其中，我國高中生和大學生的近視率均已超過七成，并逐年增加，中國青少年近視率高居世界第一。

學生群體對手機過度的依賴是顯而易見的。對于手機不離身的學生來說，娛樂遠遠大于工作。在這種平均每六分鐘低頭一次的“低頭族”時代，手機除了為我們帶來了便捷，還帶來了什么？

在對這一現(xiàn)象的研究中，本文基于BP神經(jīng)網(wǎng)絡[1]和支持向量機對其進行分析和研究。BP神經(jīng)網(wǎng)絡實質(zhì)上實現(xiàn)了一個從輸入到輸出的映射功能，具有較強的非線性映射能力和高度自學習和自適應的能力。而且，BP神經(jīng)網(wǎng)絡還具有將學習成果應用于新知識的能力和一定的容錯能力。將此方法應用于智能手機對大學生影響的研究中，頗為有用。

神經(jīng)網(wǎng)絡在半個世紀以來，理論和技術(shù)基礎(chǔ)已達到了一定規(guī)模，就應用的技術(shù)領(lǐng)域而言有語言的識別、理解與合成，優(yōu)化計算，模式識別，知識推理專家系統(tǒng)與人工智能[2]等。與傳統(tǒng)的統(tǒng)計方法相比，神經(jīng)網(wǎng)絡具有很強的學習能力，極大地提高了分類的精度和預測的準測度。

本文將以本校大學生群體為研究對象，通過網(wǎng)上發(fā)表調(diào)查問卷，收集手機對大學生視力方面影響的數(shù)據(jù)，并利用BP神經(jīng)網(wǎng)絡和支持向量機[3]等工具，研究和分析智能手機對大學生的影響。

1 數(shù)據(jù)分析與處理

本次收集數(shù)據(jù)的方式為線上線下問卷調(diào)查，為方便答題和節(jié)省時間，問卷的設(shè)計主要以選擇為主。調(diào)查對象為高校學生。

（1）基本信息統(tǒng)計

100名大學生中，男生占32%，女生占68%。其中大一學生占12%；大二學生占19%；大三學生占65%；大四學生占4%。

（2）使用習慣

91%的被調(diào)查者表示手機是他們的必帶物品。被調(diào)查者中只有2%的表示一直堅持做眼保健操、滴眼藥水等保護眼睛的習慣，從來不做的占比31%。大部分被調(diào)查者將手機放置在眼前30厘米以內(nèi)的位置。專家建議，在使用手機眼睛與手機應保持30～50cm的距離，而在調(diào)查中能做到的僅有一人。

（3）使用目的

在上課時，59%的被調(diào)查者會經(jīng)常使用手機，用于聽音樂、打游戲、購物、查資料、看小說等方面。沒有一位被調(diào)查者表示課堂上從不使用手機，其中，僅有29%表示課堂上使用手機是用來查知識。

（4）使用頻率

據(jù)數(shù)據(jù)顯示，對于手機一天的使用頻率來說，38%的被調(diào)查者每天使用手機時間大于6小時，晚上玩手機的大部分時長都在2小時之內(nèi)，10%的時長會大于2小時；84%的被調(diào)查者晚上熄燈后會繼續(xù)玩手機，大部分的被調(diào)查者在4小時內(nèi)會感到疲憊；而34%的被調(diào)查者表示玩手機長于4個小時后才會感到疲憊。

（5）視力下降程度

據(jù)數(shù)據(jù)顯示，34%的被調(diào)查者的視力下降的度數(shù)小于100度，15%的被調(diào)查者視力下降的度數(shù)大于400度。

在本次調(diào)查中，為保證調(diào)查的可靠性，我們分別對四個年級，共100名在校大學生進行了調(diào)查，并設(shè)置了5個指標作為分析依據(jù)。其中，因素一：大學生在白天玩手機的時長；因素二：大學生在晚上玩手機的時長；因素三：手機的放置距離；因素四：代表大學生玩手機后對眼睛的保護頻率；因素五：大學生玩手機感到疲憊的時間，而結(jié)果就是視力下降的實際值。

為方面統(tǒng)計和編碼實現(xiàn)功能，將各個因素劃分為四個等級，并合理取值

原數(shù)據(jù)形式如圖1所示：

圖1 原數(shù)據(jù)形式

在MATLAB中對其進行歸一化處理，如圖2所示。歸一化函數(shù)采用MATLAB中自帶的函數(shù)mapminmax。此函數(shù)默認將數(shù)據(jù)歸一化到[-1 1]，在這里選擇將其歸一到（0，1）。歸一化可以使后面數(shù)據(jù)的處理方便，其次是保正程序運行時收斂加快。mapminmax（Input，0，1）實現(xiàn)輸入數(shù)據(jù)歸一化;mapminmax（Output，0，1）實現(xiàn)輸出數(shù)據(jù)歸一化。將數(shù)字歸一化，可以避免不同數(shù)量級的數(shù)字之間相互影響，也可以加快網(wǎng)絡學習速度。

圖2 原數(shù)據(jù)

歸一化處理后的數(shù)據(jù)格式如圖3所示：

圖3 歸一化處理后數(shù)據(jù)形式

表1 等級劃分

圖4 歸一化處理后數(shù)據(jù)

2 BP神經(jīng)網(wǎng)絡與支持向量機模型建立

2.1 BP 神經(jīng)網(wǎng)絡模型建立

（1）BP神經(jīng)網(wǎng)絡模型結(jié)構(gòu)

圖5 神經(jīng)網(wǎng)絡基本結(jié)構(gòu)

xj表示輸入層第 j個節(jié)點的輸入 j=1，2，...，M；

wij表示隱含層第i個節(jié)點到輸入層第j個節(jié)點之間的權(quán)值；

θi表示隱含層第i個節(jié)點的閾值；

F（x）表示隱含層的激勵函數(shù)；

wkj表示輸出層第k個節(jié)點到隱含層第i個節(jié)點之間的權(quán)值， i=1，...，q；

ak表示輸出層第 k個節(jié)點的閾值， k=1，...，L；

Y（x）表示輸出層的激勵函數(shù)；

ok表示輸出層第k個節(jié)點的輸出。

（2）關(guān)于手機使用所導致的視力下降程度的神經(jīng)網(wǎng)絡預測模型

①模型結(jié)構(gòu)

本課題的目標為通過神經(jīng)網(wǎng)絡模型分析手機對大學生視力的影響，問題核心是找到主成分分析除的特征變量（手機使用時長、黑暗環(huán)境下手機使用時長、放置距離、護眼行為頻率、感到疲憊時間）與導致視力下降程度之間的映射關(guān)系，這里確定網(wǎng)絡模型的輸入為已選定的五個特征變量，輸出為加深程度的范圍。通過問卷調(diào)查收集的相應的數(shù)據(jù)，我們將這五個因素具體量化，并將對應的視力下降程度分四個等級。100份有效數(shù)據(jù)中，95份用來訓練，5份用來預測。

對BP神經(jīng)網(wǎng)絡進行指定參數(shù)的訓練，這里采用traingd（梯度下降算法）、traindm（棟梁梯度下降算法）、trainda（變學習率梯度下降算法）、traindx（變學習率動量梯度下降算法）。調(diào)用newff函數(shù)，傳輸函數(shù)使用tansig、purelin，選取“trainlm”函數(shù)來訓練，其算法對應的是Levenberg-Marquardt算法。利用神經(jīng)網(wǎng)絡進行預測，首先需要根據(jù)輸入輸出來確定網(wǎng)絡的結(jié)構(gòu)。由以上討論，需有5維輸入、一維輸出，并選擇中間層隱節(jié)點為7，因此確定此BP神經(jīng)網(wǎng)絡為5-7-1的結(jié)構(gòu)。

②參數(shù)的初始化

調(diào)用MATLAB神經(jīng)網(wǎng)絡工具箱，直接可初始化輸入層與隱含層之間的權(quán)值、輸入層與隱含層之間的閾值、輸出層與隱含層之間的權(quán)值、輸出層與隱含層之間的閾值。而初始值為隨機選定的，在后來訓練數(shù)據(jù)的過程中，根據(jù)網(wǎng)絡預測誤差調(diào)整網(wǎng)絡的權(quán)重和閾值[5]。具體參數(shù)設(shè)置如下：

輸入樣本數(shù) Input_Num=95，預測樣本數(shù)量Sim_Num=5

輸入節(jié)點Input_Num 5

中間層隱節(jié)點Hidd_Num 7

網(wǎng)絡輸出維度Out_Num 1

最多訓練次數(shù)MaxEpochs 50000

學習速率lr 0.01

目標誤差 E0 0.45*10（-2）

初始化輸入層與隱含層之間的權(quán)值：

W1=0.5*rand（Hidd_Num，Input_Num）-0.1

初始化輸入層與隱含層之間的閾值：

B1=0.5*rand（Hidd_Num，1）-0.1;

初始化輸出層與隱含層之間的權(quán)值

W2=0.5*rand（Out_Num，Hidd_Num）-0.

初始化輸出層與隱含層之間的閾值

B2=0.5*rand（Out_Num，1）-0.1;

③測試和預測

用測試數(shù)據(jù)測試神經(jīng)網(wǎng)絡的性能。用剩下五組數(shù)據(jù)當做被預測數(shù)據(jù)。比較誤差，評價此模型的準確性。

2.2 支持向量機預測模型

支持向量機和支持向量機回歸[6]是統(tǒng)計學習理論的重要組成部分。和感知機模型一樣，SVM（支持向量機模型）也是旨在求出n維空間的最優(yōu)超平面將正負類分開。這里的達到的最優(yōu)是指在兩類樣本點距離超平面的最近距離達到最大，間隔最大使得它區(qū)別于感知機學習，SVM中還有核技巧，這樣SVM就是實際上的非線性分類器函數(shù)。

假設(shè)給定一個特征空間上的訓練數(shù)據(jù)集：

其中，表示N個樣本實例，xi為第i個特征向量（實例），yi為 xi的類標記。xi∈X=Rn，yi∈Y={+1，—1}，i=1，2，3，…，N，表示N個樣本實例，xi為第i個特征向量（實例），yi為 xi的類標記。

量機模型參數(shù)的設(shè)置：svm類型選擇2（one-class-SVM），核函數(shù)使用徑向基函數(shù)是高斯核函數(shù)（RBF核），其中函數(shù)值設(shè)置為0.07，degree設(shè)置為3，coef設(shè)置為0。

其中C與g采用交叉驗證選擇最佳參數(shù)。對于參數(shù)與核函數(shù)的設(shè)置如前面所敘述方法選取。

另外針對研究問題這里采用間接法的SVM多分類

（1）間接法：

主要是通過組合多個二分類器來實現(xiàn)多分類器的構(gòu)造，常見的方法有one-against-one和one-against-all兩種。

（2）一對多法（one-versus-rest，簡稱 OVR SVMs）

訓練時依次把某個類別的樣本歸為一類，其他剩余的樣本歸為另一類，這樣k個類別的樣本就構(gòu)造出了k個SVM。分類時將未知樣本分類為具有最大分類函數(shù)值的那類。

假如有四類要劃分（也就是4個Label），它們是A、B、C、D。于是在抽取訓練集的時候，分別抽取

①A所對應的向量作為正集，B，C，D所對應的向量作為負集；

②B所對應的向量作為正集，A，C，D所對應的向量作為負集；

③C所對應的向量作為正集，A，B，D所對應的向量作為負集；

④D所對應的向量作為正集，A，B，C所對應的向量作為負集。

使用這四個訓練集分別進行訓練，然后得到四個訓練結(jié)果文件。在測試的時候，把對應的測試向量分別利用這四個訓練結(jié)果文件進行測試。最后每個測試都有一個結(jié)果 f1（x），f2（x），f3（x），f4（x）。于是最終的結(jié)果便是這四個值中最大的一個作為分類結(jié)果。

3 實驗結(jié)果分析

為了增加預測結(jié)果的準確性和模型的可行性，分別用可高度非線性化映射的BP神經(jīng)網(wǎng)絡和支持向量機對人工數(shù)據(jù)進行訓練預測以及分類。

3.1 基于神經(jīng)網(wǎng)絡預測分析

對調(diào)查問卷所得的數(shù)據(jù)進行整理以及對主成分進行數(shù)據(jù)化。共收集得100組數(shù)據(jù)，使用95組數(shù)據(jù)作為訓練樣本，所剩作為測試樣本，用以測試訓練的函數(shù)的性能。采用2.1小節(jié)中的描述算法確定參數(shù)以及選取訓練函數(shù)。

圖6 數(shù)據(jù)訓練相關(guān)系數(shù)

圖8 訓練數(shù)據(jù)的梯度和均方誤差之間的關(guān)系圖

圖9 殘差的正態(tài)的檢驗圖

由平均均方差與殘差以及training曲線可觀察到BP算法訓練后的網(wǎng)絡的逼近能力與對數(shù)據(jù)的泛化都有不錯的效果，可以調(diào)用訓練完成的網(wǎng)絡準確預測出綜合因素影響下的結(jié)果。

3.2 基于支持向量機預測結(jié)果及分析

針對研究問題采用SVM算法對數(shù)據(jù)非線性建模，訓練時依次把某個類別的樣本歸為一類，其他剩余的樣本歸為另一類，這樣k個類別的樣本就構(gòu)造出了k個SVM。分類時將未知樣本分類為具有最大分類函數(shù)值的那類。即把問題歸結(jié)為多次分類的二分類問題，先將 50～150標簽為 1，150～400標簽為 0，每組數(shù)據(jù)五十份，完成之后再次對一類數(shù)據(jù)進行分類，重復至完成。

圖10 SVM對數(shù)據(jù)的分類和預測如果圖

由圖觀察第一次二分類結(jié)果圖，問題基于SVM算法對數(shù)據(jù)的分類以及分類后的預測有較好的反映。從而可根據(jù)此算法依次對所給數(shù)據(jù)多次分類選擇出綜合因素影響的結(jié)果區(qū)間。

預測性能評價指標[7]：

預測性能的評價，一般用基于預測值y1’和測量值y2間的相似度來度量。即：

最常用的評價度量的指標是平均值絕對誤差（Mean Absolute Error，MAE）；相對平均值絕對誤差（Mean Absolute Percentage Error，MAPE；根平方值誤差（Root Mean Square Error，RMSE）；標準誤差（Standard Error of Prediction，SEP），是預測誤差中應用比較廣泛的方法。

對神經(jīng)網(wǎng)絡模型預測以及SVM分類預測性能的指標的對比。這里選取Accuracy（準確率），均方誤差（Mean-Square Error，MSE），以及常用的評價度量的指標是平均值絕對誤差（Mean Absolute Error，MAE）：

表2

圖11 SVM模型分類預測結(jié)果